Россия
УДК 626.1 Внутренние судоходные каналы
УДК 004.8 Искусственный интеллект
В статье рассматривается задача повышения безопасности транспортной инфраструктуры посредством разработки интеллектуальной имитационной модели. Основной фокус сделан на прогнозировании уровня воды в равнинных реках для предупреждения внештатных ситуаций: подтоплений, обрушений мостов и других чрезвычайных происшествий, способных парализовать транспортное сообщение. Актуальность исследования определяется совокупностью факторов: нарастающими климатическими рисками (паводки, ливни, наводнения), техногенными угрозами, а также ограниченной эффективностью традиционных подходов к мониторингу и прогнозированию гидрологической обстановки. В ходе исследования проведен анализ реальных чрезвычайных ситуаций, наглядно демонстрирующих острую потребность в оперативном прогнозировании уровня воды. Методология разработки системы поддержки принятия решений базируется на технологиях машинного обучения. Экспериментальная часть исследования выполнена на основе данных по р. Темерник. Было протестировано 12 моделей машинного обучения, проведена оценка качества прогнозирования на основе статистических метрик, и выбраны наилучшие модели для дальнейшего использования.
транспортная инфраструктура; чрезвычайные ситуации; мониторинг уровня воды; интеллектуальное имитационное моделирование; система поддержки принятия решений; машинное обучение; прогнозирование уровня воды; AutoGluon; NeuralNetFastAI; WeightedEnsemble_L2; равнинные реки; управление рисками
1. Арефьева Е. В. Прогноз опасностей на основе постоянно действующей ситуационно-оптимизационной модели / Е. В. Арефьева, А. В. Рыбаков // Вестник КРСУ. — 2012. — Т. 12. — № 7. — С. 17–21.
2. Алагуджаева М. А. Гидрологическое цифровое прогнозное моделирование зон затопления территории Северного Казахстана на основе высокодетальной цифровой модели рельефа / М. А. Алагуджаева, С. Р. Садвакасова, Б. Б. Елбасиева, А. А. Аимбетов // Гидроме-теорология и экология. — 2023. — № 4. — С. 74–84. — DOI:https://doi.org/10.54668/2789-6323-2023-111-4-74-84.
3. Shu X. Knowledge Discovery: Methods from Data Mining and Machine Learning / X. Shu, Y. Ye // Social Science Research. — 2023. — Vol. 110. — P. 102817. — DOI: https://doi.org/10.1016/j.ssresearch.2022.102817.
4. Долгих В. П. Краткосрочное прогнозирование водного режима рек и водохранилищ методом Брауна / В. П. Долгих, С. В. Рыбалка, И. С. Боблева // Экологический вестник Донбасса. — 2024. — № 2(12). — С. 10–15.
5. Цыганов В. В. Климатические риски железнодорожной инфраструктуры / В. В. Цыганов, В. А. Бородин, С. А. Савушкин, А. В. Лемешкова // ИТНОУ: информационные технологии в науке, образовании и управлении. — 2024. — № 1(22)–2(23). — С. 51–57. — DOI: https://doi.org/10.47501/ITNOU.2024.1.51-57.
6. Восстановить разорванную нить: восстановление движения поездов до Мурманска // Мурманский вестник. — URL: https://www.mvestnik.ru/our-home/ vosстановить-разорваннуюнить/ (дата обращения: 13.11.2025).
7. Обрушение моста // РИА «Воронеж». — URL: https:// riavrn.ru/theme/obrushenie-mosta/ (дата обращения: 13.11.2025).
8. В Ростове-на-Дону на вокзале подтопило железнодорожные пути // ТАСС. — URL: https://tass.ru/ proisshestviya/21089611 (дата обращения: 13.11.2025).
9. Ермуханов Д. С. Машинное обучение и математика / Д. С. Ермуханов // Тенденции развития науки и образования. — 2024. — № 110-18. — С. 102–105. — DOI:https://doi.org/10.18411/trnio-06-2024-992.
10. Chicco D. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation / D. Chicco, M. J. Warrens, G. Jurman // PeerJ Computer Science. — 2021. — Vol. 7. — Pp. 1–24. — DOI:https://doi.org/10.7717/PEERJ-CS.623.
11. Пономаренко Т. С. Изучение гидрологических характеристик реки Темерник по результатам работы системы мониторинга «ЭМЕРСИТ» / Т. С. Пономаренко, А. В. Бреева // Экология и водное хозяйство. — 2021. — № 2. — URL: https://cyberleninka.ru/article/n/izuchenie- gidrologicheskih-harakteristik-reki-temernikpo- rezultatam-raboty-sistemy-monitoringa-emersit (дата обращения: 30.10.2025).
12. Рашка С. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow-2 / С. Рашка, В. Мирджалили. — М.: Вильямс, 2020. — 848 с.
13. Мосин К. К. Использование методов автоматизированного машинного обучения для классификации дорожно-транспортных происшествий / К. К. Мосин, В. Э. Ковалевский, Н. А. Жукова // Интеллектуальные технологии на транспорте. — 2023. — № 2(34). — URL: https://cyberleninka.ru/article/n/ispolzovanie-metodov-avtomatizirovannogo-mashinnogo-obucheniya-dlya- klassifikatsii-dorozhno-transportnyh-proisshestviy (дата обращения: 30.10.2025).
14. Feng K. RMSE-minimizing confidence intervals for the binomial parameter / K. Feng, L. M. Leemis, H. Sasinowska // Computational Statistics. — 2022. — Vol. 37. — Iss. 4. — Pp. 1855–1885. — DOI:https://doi.org/10.1007/s00180-021-01183-3.
